《表3 深度学习模型的对比评价》
从图6可以看出本文方法在信息的完整度和边缘提取效果上都优于U-net和Deeplabv3+原版,针对分割任务,除了Precision和F1指数之外,还加入前景交并比(Io U)评价模型以及预测时间(256×256)。由表3所示,本文的Precision、F1和Io U最高,分别为0.952 5、0.925 6和0.938 6。与U-net网络相比,U-net网络预测用时更快,但本文方法Precision提高了3%,Io U提高了4%。与原始Deeplabv3+网络相比,预测速度相同,由于本文模型充分利用了空间信息、时序信息以及光谱信息,所以Precision、F1和Io U都得到很大的提升。
图表编号 | XD00189009900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.15 |
作者 | 宋廷强、张信耶、李继旭、范海生、孙媛媛、宗达、刘童心 |
绘制单位 | 青岛科技大学信息科学技术学院、青岛科技大学信息科学技术学院、青岛科技大学信息科学技术学院、广州欧比特人工智能研究院、青岛科技大学信息科学技术学院、青岛科技大学信息科学技术学院、青岛科技大学信息科学技术学院 |
更多格式 | 高清、无水印(增值服务) |